對于污水處理和回用技術(shù),更高的處理效率,更低的處理成本是人們一直追求的目標。但是,由于進水水質(zhì)復雜、多種污水處理工藝組合應(yīng)用,生物處理過程受多種因素影響,常常致使污水處理效果不佳,處理率低下,故障頻現(xiàn),為水體污染控制和管理造成困難。因此,亟需開展污水處理過程的模擬和預測,為污水處理過程的正常運行和管理提供參考；另外還需加強故障診斷方面的工作,為故障處置提供依據(jù)。本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)和支持向量機回歸(SVR)開展污水處理過程模擬和反問題研究,并開發(fā)污水處理系統(tǒng)軟件。取得以下研究結(jié)果： 1.發(fā)展了組合尋優(yōu)法和逐步網(wǎng)格搜索法分別用于BP神經(jīng)網(wǎng)絡(luò)和SVR相關(guān)參數(shù)的優(yōu)化設(shè)置。選取某污水處理廠污水處理過程和垂直折流多功能生化反應(yīng)器(VTBR)非穩(wěn)態(tài)污水處理過程作為兩個典型案例,考察BP神經(jīng)網(wǎng)絡(luò)和SVR在出水水質(zhì)模擬方面的性能。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)和SVR均能獲得良好的模擬結(jié)果,并各具特色。由于網(wǎng)絡(luò)結(jié)構(gòu)的復雜性,BP神經(jīng)網(wǎng)絡(luò)可能產(chǎn)生欠擬合或者過擬合現(xiàn)象,一般難以獲取最佳模型；SVR則能較好地解決該問題,獲得全局最優(yōu)解。但是BP神經(jīng)網(wǎng)絡(luò)把相關(guān)建模信息內(nèi)化于網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重中,應(yīng)用連接權(quán)值法和網(wǎng)絡(luò)圖形法可...

【文章頁數(shù)】：173 頁

【學位級別】：博士

【部分圖文】：

圖2.1某市政污水處理廠進水數(shù)據(jù)

本章所用數(shù)據(jù)來源于采用卡魯塞爾2000工藝的某市政污水處理廠，共采集了該廠334組進出水數(shù)據(jù)用于污水處理過程模擬。該廠主要接納生活污水和商業(yè)污水，進水水質(zhì)情況如圖2.1所示。︵日切日︶P1d目︸、J一一右-CODDD鯉鯉夔夔nljo﹄“︶﹄U61、J︵曰兩已(Q。....

圖2.5網(wǎng)絡(luò)圖形法示例

結(jié)構(gòu)簡單的網(wǎng)絡(luò)模型分析[89一9’]。通常的做法是:神經(jīng)元之間的連接線根據(jù)連接權(quán)值的大小用不同的顏色和粗細表示，較粗的連接線表示前一層的神經(jīng)元對后一層的神經(jīng)元有較大的影響，而不同的顏色表征作用的方向(正負影響)，見圖2.5。該方法不能直觀判定輸入神經(jīng)元對某輸出神經(jīng)元的作用大小。另....

圖2.6學習率夕和動量因子m

根據(jù)隱層節(jié)點數(shù)為某一數(shù)值時，學習率夕和動量因子m。不同組合下mse=(msetrai。+msetest)/2數(shù)值的大小，確定該隱層節(jié)點數(shù)時的最佳學習率和動量因子的組合。以隱層節(jié)點數(shù)8為例，學習率和動量因子不同組合與對應(yīng)的mse詳見圖2.6。500.450、{400_!5o燈o一4....

圖2.7學習率

的學習率夕和動量因子m。組合為(0.1，0.53)，對應(yīng)的mse=0.00157。同樣可以根據(jù)礦=(RZtrain十護test)/2數(shù)值的大小考察某一隱層節(jié)點時，學習率。和動量因子m。不同組合下模型的綜合性能。圖2.7是隱層節(jié)點為8時，學習率夕和動量因子m。不同組合與對應(yīng)的ms....

本文編號：3924927